随着社会信息化的不断推进,电子技术也得到了迅速发展,性能越来越完善的传感器可以提供给系统各种信息丰富的数据,越来越多的数据不断冲击着各个领域,如何更简洁、更有效地表达这些海量数据已然成为了一个公众性的问题。压缩感知理论的诞生,可以大大减轻数据的存储和传输端的负担。该理论对采集和压缩过程进行了合并,为数据采集和处理提供了一个新颖的方法。智能优化算法可以利用经验性的信息和精细的局部搜索能力,可以更好地解决最优化问题,而粒子群优化算法是较常用的智能优化算法,拥有操作简洁、易于编码、参数少等众多优点。由于压缩感知理论的重构算法属于求解最优化问题,因此,本文主要从粒子群优化算法入手,对几种典型匹配追踪算法进行优化和改进。主要研究内容如下:(1)对贪婪算法进行研究,详细总结了目前比较典型的几种匹配追踪算法,分别对这些算法的特点以及步骤流程进行了详细的汇总,通过仿真实验,对比分析算法。(2)分段正交匹配追踪算法和稀疏自适应匹配追踪算法的参数,若设置不合理,并不能使算法达到最佳的重构效果。针对这两种算法的重构效果容易受到参数影响的问题,利用粒子群优化算法求解最优参数,提升这两种算法的性能,并给出了优化过程的流程图。最后通过大量的仿真实验,验证了优化方案的可行性。(3)针对压缩采样匹配追踪算法提出了一种比较新颖的改进方法,由于目前大多数对压缩采样匹配追踪算法的改进方法,主要是针对选择最佳匹配原子的过程进行改进,而算法通过多次迭代逐渐逼近得到的解,一般不是最优解而是次最优的,以往的改进并没有改善这一缺陷。本文针对该算法的这一缺陷,利用粒子群优化算法对压缩采样匹配追踪算法过程中得到的稀疏系数解进行学习和优化,使稀疏系数解更加逼近原始解,从而一定程度上弥补这一缺陷。最后通过大量的仿真实验,验证了改进方案的可行性。